Resumen

El cambio global hacia la energía sostenible ha situado a los sistemas fotovoltaicos como un componente crítico en el panorama de las energías renovables. Los métodos tradicionales, basados en inspecciones manuales y mediciones eléctricas estándar, han demostrado ser inadecuados, especialmente para instalaciones solares a gran escala. La aparición del aprendizaje automático y el aprendizaje profundo ha despertado un gran interés en el desarrollo de estrategias computacionales para mejorar la identificación y clasificación de los fallos del sistema fotovoltaico. Este artículo propone un novedoso enfoque basado en IA que optimiza la detección y clasificación de fallos en sistemas fotovoltaicos, abordando los vacíos existentes en la detección de fallos basada en IA, especialmente en términos de imágenes térmicas y análisis de curvas de corriente-tensión. Los resultados pretenden avanzar en el estado de la tecnología, ofreciendo ideas sobre soluciones más eficientes y prácticas para la gestión de fallos en sistemas fotovoltaicos.

• Materias:Aprendizaje automático Diagnóstico de fallos Redes neuronales artificiales Generación de energía fotovoltáica Energía fotovoltaica
• Subjects:Machine learning Fault diagnosis Artificial neural networks Photovoltaic power generation Photovoltaic energy
• Palabras claves:Energía solar fotovoltaica; Detección de defectos; Aprendizaje automático; Imágenes térmicas; Curvas I-V; Redes neuronales; SVM; Bosque aleatorio; Árboles de decisión; Regresión logística; KNN
• Keywords:Solar PV; Defect detection; Machine learning; Thermal images; I-V curves; Neural networks; SVM; Random forest; Decision trees; Logistic regression; KNN